抽空写一下关于 AI 开发和组织效率提升的一些想法。

去年的一段时间里，行业里关于 AI 开发的讨论，主要还是围绕工具和模型，比如从 Cursor 到 Claude Code，从 Claude Sonnet 3.5 到 Claude Opus 4.6。到了今年，整体来看工具和模型的提升都趋于平稳，行业里更关心的问题变成了：如何让 AI Coding 真正帮助组织/团队提升研发效率。

从我的实践来看，当组织中的大多数人都具备中等及以上的 AI 应用能力之后，沟通成本会逐渐成为主要的效率瓶颈。

首先是角色分工带来的沟通成本。
以一个传统的 B/S 架构项目为例，参与方通常包括：

项目发起人或负责人（比如老板或产品总监）
PMO 负责项目管理
产品经理负责细化需求
交互和 UI 设计细化体验
前端和后端团队负责研发
测试团队负责质量保障
运维团队负责发布和维护
数据团队负责数据收集和分析

看到这么多角色就会发现，项目内部必然需要大量沟通和协作，这就不可避免地要开很多拉齐会、沟通会、评估会，或者在 IM 里来来回回各种拉扯。这些会议实际上并不会直接产出任何价值，但却是团队协作过程中不可或缺的步骤。

具体到开会的场景，AI 工具确实可以在一定程度上降低会议成本，比如自动生成会议纪要、聊天总结、文档整理等等，但这些对整体效率的提升其实并不明显。

分工带来的另一个问题，是每个岗位的输入/输出都是固定且僵化的。比如后端要开始开发，必须等产品经理把逻辑梳理清楚；前端要开始开发，还要等设计稿完成……等等。

因此，一个中等复杂度的项目（不是那种改一行代码的小需求），往往会存在一个“七天魔咒”：

老板一天和产品经理讲清思路，
项目经理一天完成功能细化，
设计团队一天完成交互和 UI，
PMO 拉齐产品、设计、开发、测试，一天宣讲需求和技术评估，
前后端团队一天完成开发，
测试团队一天测完功能，
运维团队最后一天上线。

每个团队都已经把效率提升到了极限，最终也只能做到每周一次迭代。

而这一波 AI 的普及，真正的效率提升来自于：AI 可以让一些人身兼数职。

比如前端工程师也可以做后端，产品经理也可以做交互设计，甚至一个人可以把所有的工作都做了。在这种情况下，项目负责人想到一个想法：

自己用 AI 写需求
自己用 AI 画设计
自己用 AI 写代码
自己用 AI 做测试

甚至一天就可以上线了。

这其中涉及到两个维度的沟通成本被大幅压缩。

首先是显而易见的：角色之间的沟通成本消失了，取而代之的是人和 AI 之间的沟通成本。AI 一方面没有严格的输入输出边界（比如我让 AI 写前端代码，并不需要像 UI 图一样精确描述每个像素的位置），另一方面反馈效率极高，几分钟就可以完成一轮迭代。

在此之上，我认为 AI 在抹平不同执行者之间的沟通成本之外，还有一个更重要、甚至是决定性的变化：在新的范式下，决策者和执行者之间的沟通成本也大幅降低了。

在过去的研发流程中，执行者接收指令、完成工作。当落地过程中遇到困难时，执行者往往更倾向于在自己的职责范围内解决问题。比如后端接口有 1% 的概率超时，后端团队解决这个问题的方式，可能是花一周时间，通过各种方法把可用性提升到 99.9%。

但如果一个执行者同时负责前端、后端和产品交互设计，那么在他的决策范围里，同样的问题，可能只需要加一个友好的报错提示，问题就解决了。

更进一步，由于过去的项目团队分工过于精细，一个想法从负责人，到中层，再到执行的产研团队，信息在传递过程中难免发生各种歪曲和变形。类似“研发团队通宵做了一个 XX 平台，最后发现老板其实只是想把某个按钮改个颜色”这样的事情，在很多公司都并不少见。

在高度AI化的团队下，由于沟通层级更为扁平，人员部门更加内聚，这类“越传越歪”的问题也大幅度降低了。

最后一个容易被忽视，但又是决定性的因素：虽然“个人 + AI”在专业能力上可能不如一个高度分工的专业团队，但在当前 AI 浪潮下，整个行业的迭代速度极快。

因此，相比“有没有做到最好”，决策者其实更关心的是“方向有没有做对”，因此，尽管个人+AI做出来的东西可能有很多缺点，但是最近一段时间，决策者对于细节方面的问题容忍度是更高的。

换句话说就是：

穿没穿衣服不重要，先上车。